در mtest پیاده سازی پایتون از M-آزمون است، یک آزمون دو نمونه بر اساس انتخاب مدل و شرح داده شده در [1] و [2].
با وجود اهمیت خود را در حمایت از نتایج تجربی، آزمون های آماری استاندارد اغلب ناکافی برای حوزه های تحقیقاتی، مانند علوم زیستی، که در آن حجم نمونه معمولی کوچک و مفروضات آزمون دشوار به منظور بررسی است. در چنین شرایطی، آزمایش استاندارد تمایل به بیش از حد محافظه کار، و در نتیجه شکست برای تشخیص اثرات قابل توجهی در داده ها.
M-آزمون آزمون آماری کلاسیک در مفهوم تعریف اهمیت با حد متعارف در خطاهای نوع I است. از سوی دیگر، آن است که در انتخاب مدل بیزی بر اساس، و در نتیجه به عدم قطعیت در مورد حساب پارامترهای مدل طول می کشد، کاهش مشکل کوچک اندازه نمونه.
M-آزمون مشخص شده است که به طور کلی یک قدرت بالاتر (بخش کوچکتری از نوع اشتباهات II) از یک خطای آزمون t برای اندازه نمونه کوچک (3 تا 100 نمونه) داشته باشد.
[1] Berkes، P.، Fiser، J. (2011) آزمون دو نمونه frequentist بر اساس انتخاب مدل بیزی. سایت آرشیو: 1104.2826v1
[2] Berkes، P.، اوربان، G.، Lengyel، M.، و Fiser، J. (2011). فعالیت قشر مغز خود به خود نشان می دهد نشانه های یک مدل داخلی بهینه از محیط زیست است. علوم، 331: 6013، 83-87.
mtest جداول
mtest کشتی کاشه (cach) جداول آمار برای محاسبه مقدار P-value و قدرت داده های جدید در راه کارآمد ترین. این کتابخانه با استفاده از جدول برای مقدار p (نوع خطا I) برای N = 3،4 توزیع، ...، 20 و برای N = 30،40، ...، 100. این جداول موارد را پوشش میدهد. جداول جدید زمانی که مورد نیاز محاسبه، اگر چه از اتمام ممکن است چند ساعت طول بکشد. نوع II جداول خطا را شامل می شوند به نگه داشتن اندازه بسته های کوچک.
scriptscompute_basic_tables.py برای یک اسکریپت به عنوان مثال برای از قبل محاسبه جداول شما ممکن است نیاز را مشاهده کنید. اسکریپت استفاده می کند از کتابخانه joblib برای توزیع محاسبات در هسته های چندگانه
در مورد نیاز:.
پایتون
SciPy
pymc
نظر یافت نشد